新しい画像機械学習技術が材料開発を変革

この投稿は warrior bear によって 2021-10-13 22:21 に最後に編集されました。

2021年10月13日、アンタークティックベアは、ペンシルベニア州リーハイ大学の研究者が、構造上の類似性に基づいて物質のグループを分類する機械学習に基づく新しい手法を開発したことを知りました。
研究チームは、これは画期的な研究だと考えています。彼らが構築した人工ニューラルネットワークは、25,000枚を超える材料の顕微鏡画像を網羅する巨大なデータベース内で、関連材料の構造の類似点や傾向を識別することができます。この技術は、新しく開発された材料間のこれまで見えなかったつながりを見つけたり、構造や性能などの要素を結び付けたりするために使用することができ、3D 印刷などの業界向けの計算材料開発への新しいアプローチにつながる可能性があります。
この研究の主著者であるジョシュア・アガー氏は、構造の対称性を検出するモデルの能力がプロジェクトの成功の礎となったと述べている。「私たちの研究の革新の一つは、対称性を理解するための特別なニューラルネットワークを構築し、それを特徴抽出器として使用して、画像の理解力を高めたことです」と彼は語った。
△ 25,000 枚を超える圧電反応力顕微鏡画像のデータベースから、対称性の画像の類似性を示すニューラルネットワークの図。画像はリーハイ大学より。
構造とパフォーマンスの関係<br /> 材料研究では、材料の構造がその特性にどのように影響するかを理解することが重要な目標です。しかし、構造の複雑さのため、材料の構造がその特性にどのように影響するかを確実に判断できる、広く使用されている指標は現在のところ存在しません。機械学習技術の台頭により、人工ニューラルネットワークはこの用途の潜在的なツールとして実証されてきましたが、Agar 氏は依然として克服すべき 2 つの大きな課題があると考えています。
1 つ目は、材料研究実験によって生成されたデータの大部分が機械学習モデルによって分析されたことがないことです。これは、生成された結果が通常は顕微鏡画像の形で、構造化され使用可能な方法で保存されることがほとんどないためです。また、結果は研究室間で共有されない傾向があり、簡単にアクセスできる集中データベースは存在しません。これは材料研究全般における問題ですが、付加製造の分野ではよりニッチな性質を持つため、さらに大きな問題となります。
2 番目の問題は、ニューラルネットワークは、物質の構造がどの程度周期的であるかなど、構造の対称性と周期性を識別する方法を学習するのにあまり効果的ではないことです。これら 2 つの機能は材料研究者にとって非常に重要であるため、これまでニューラルネットワークを使用するのは大きな課題でした。
機械学習による類似性推論
リーハイ大学の新しいニューラルネットワークは、アガー氏が説明する両方の問題に対処するように設計されています。このモデルは対称性を理解できるだけでなく、画像の非構造化データベースを検索して傾向を識別し、画像間の類似性を予測することもできます。これは、Unified Area approximation and Projection (UMAP) と呼ばれる非線形次元削減手法を採用することで実現されます。
Agar 氏は、このアプローチにより、データの高レベル構造がチームにとってより理解しやすくなったと説明しました。ニューラルネットワークをトレーニングすると、結果はベクトル、つまり数値のセットとなり、コンパクトな特徴記述子になります。これらの機能は、類似点を学習できるように物事を分類するのに役立ちます。ただし、512 個以上の異なる機能が存在する可能性があるため、結果として得られるものは空間的にはまだかなり大きくなります。したがって、2次元や3次元など、人間が理解できる空間に圧縮する必要があります。
リーハイ大学のチームは、対称性の特徴を組み込むようにモデルをトレーニングし、カリフォルニア大学バークレー校で 5 年間にわたって収集された 25,133 枚の圧電反応力顕微鏡画像の非構造化コレクションに適用しました。その結果、類似した材料をその構造に基づいてグループ化することに成功し、構造と特性の関係をより深く理解する道が開かれました。
最終的に、この研究は、ニューラルネットワークとより優れたデータ管理を組み合わせることで、積層造形やより広範な材料コミュニティにおける材料開発研究を加速できることを示しています。
△自然画像と対称性を考慮した特徴を使用した UMAP 予測の比較。画像はリーハイ大学より。
この研究の詳細については、「材料顕微鏡のための対称性を考慮した再帰的な画像類似性探索」という論文をご覧ください。
関連論文リンク: https://www.nature.com/articles/s41524-021-00637-y#Abs1

実際、機械学習の予測力は、積層造形のさまざまな側面で活用され始めています。アルゴンヌ国立研究所とテキサスA&M大学の研究者らは以前、3Dプリント部品の欠陥を検出する革新的な方法を開発しました。科学者たちは、リアルタイムの温度データと機械学習アルゴリズムを組み合わせることで、熱履歴と地下欠陥の形成との相関関係を明らかにすることができた。

商業面では、エンジニアリング会社 Renishaw が 3D プリントロボット専門会社 Additive Automations と提携し、金属 3D プリント部品向けのディープラーニングベースの後処理技術を開発しています。このコラボレーションでは、協働ロボット（コボット）とディープラーニングアルゴリズムを組み合わせて、サポート構造全体を自動的に検出して除去します。

新しい画像機械学習技術が材料開発を変革

シンガポール工科大学、アジア初のLightSPEE 3D高速プリンター導入のため18万ドルの助成金を獲得

プレビュー: 2018 年 9 月 27 日〜28 日広東省 3D 印刷産業応用サミットフォーラム

2021年（第17回）中国国際金属加工サミットフォーラムにおいて、ラジウムレーザーは2021年中国金属加工イノベーション製品賞を受賞しました。

4WEB、3Dプリント金属骨インプラントの販売をFDAから認可

ロシアは、最終的には完全に吸収される新しい頭蓋骨の3Dプリントインプラントを開発

患者さんに朗報です！米国は局所虚血を効果的に治療できる3Dプリント細胞パッチを開発した

オートデスク、Fab Labにさらなる無料ソフトウェアサポートを提供へ

世界の3Dプリント業界賞が発表され、中国のポリライト、シャイニング3D、ポリメーカーがリストに載る

エンジン部品の約35%が3Dプリントされており、GEが3Dプリント業界に火をつける

Mango 3D は、樹脂 3D プリント用の Lychee スライスプログラムをアップグレードし、FDM 3D プリントとのシームレスな互換性を実現しました。

推薦する

シリコン 3D プリントがイノベーションの新たな段階に突入: Lynxter と 3Deus Dynamics が協力して業界の発展を促進

マテリアライズとアルセロールが提携し、ソフトウェアを活用して LPBF 金属 3D 印刷プロセスを最適化

南極のクマのまとめ: 海外市場における 12 のロボットアーム 3D プリントソリューション

Chuangxiang 3Dプリンターが2022年世界技能競技大会に出場し、競技力強化を図る

神州精密×仙林天元、3Dデジタル測定が伝統的な製造企業の確立を支援

骨腫瘍の精密治療における3Dプリント技術の研究の進歩

鉄道車両エンジニアリングソリューションプロバイダーの DB ESG が英国の鉄道業界にデジタル製造 (DM) を拡大

3D4ILは3Dプリントを通じてイスラエル国防軍に35,000個の部品を供給

MITは宇宙ステーションで液体押し出し3Dプリント実験を実施し、将来の宇宙SF技術を創造する

リアルタイムの残留応力評価による工業デザインの最適化により、金属 3D プリント部品の生産効率を向上

ロッキード・マーティンは、SWISSTO12とCAESが提供する新技術である3Dプリントのフェーズドアレイアンテナを衛星に搭載しています。

ビッグニュース！世界初の3Dプリントグリッドイオン推進源の点火に成功

プラスチック・金属複合材料 DLP 光硬化 3D プリント技術

2017 TCT 3D プリンティング展示会（英国バーミンガム）

インド人の男性が、カーボンファイバー素材で作られた、重さわずか 64 グラムの最小の携帯型衛星を 3D プリントしました。